feat: 新增缺陷分类训练与评估链路

在聚类 + 人工归类得到的数据集（data/<集>/<类别名>/*.png）上训练分类模型。

- datasets/classification.py：按目录组织的分类数据集，**逐类分层**切分 train/val
  （others 只有 65 张，整体随机切很容易让它在验证集里挂零），固定种子可复现
- models/classifier.py：卷积骨架 + 分类头，与 DefectNet 共用 backbone 注册表，
  因此自监督产出的 simclr_backbone.pth 可用 init_from 直接初始化；
  frozen_backbone 可做线性探针
- engine/classification.py：训练循环 + 指标。主指标用 macro-F1 而非准确率——
  数据从 normal 2679 张到 others 65 张差 41 倍，全预测成 normal 也有 24% 准确率；
  损失按类别频率加权，避免小类被淹没；输出逐类 P/R/F1 与混淆矩阵
- classify.py：训练/评估入口，--eval-only 可单独评估并导出 eval_report.json
- configs/classify/film.yaml：预处理沿用聚类阶段的结论（拉伸 + 逐图标准化）。
  抹掉亮度在这里尤其重要：有几类几乎只来自单一原始数据集，不抹掉的话模型可能
  靠"认出这是哪个数据集"作弊
- 续训语义与检测/自监督一致：检查点只提供进度，超参以配置为准

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

engine/__init__.py

@@ -1,6 +1,11 @@
 """训练 / 评估流程。"""
 
 from engine.checkpoint import load_checkpoint, save_checkpoint
+from engine.classification import (
+    ClassificationMetric,
+    ClassificationTrainer,
+    class_weights,
+)
 from engine.evaluator import Evaluator
 from engine.losses import DetectionLoss
 from engine.optim import build_optimizer, build_scheduler
@@ -8,6 +13,9 @@ from engine.trainer import Trainer
 
 __all__ = [
     "Trainer",
+    "ClassificationTrainer",
+    "ClassificationMetric",
+    "class_weights",
     "Evaluator",
     "DetectionLoss",
     "build_optimizer",